„In der Webometrie kann KI mehrere spezifische Vorteile bieten, darunter Web-Crawling und Datenerfassung …

Linktabelle

Zusammenfassung und Einleitung

Materialen und Methoden

Ergebnisse

RQ 1: KI und Szientometrie

RQ 2: KI und Webometrie

RQ 3: KI und Bibliometrie

Diskussion

RQ 4: Zukunft der Szientometrie, Webometrie und Bibliometrie mit KI

RQ 5: Ethische Überlegungen zur Szientometrie, Webometrie und Bibliometrie mit KI

Schlussfolgerung, Einschränkungen und Referenzen

RQ 2: KI und Webometrie

In der Webometrie kann KI verschiedene spezifische Vorteile bieten, darunter Web-Crawling und Datensammlung, Web-Link-Analyse, Web-Inhaltsanalyse, Social-Media-Analyse, Web-Impact-Analyse und Empfehlungssysteme, wie in Abbildung 3 skizziert, und wurde beispielsweise in Artikeln wie [9, 10, 21, 36-45] demonstriert.

Diese 6 Überlegungen weisen auf die potenziellen Vorteile hin und legen gezielte Strategien für die Nutzung von KI-Funktionen in der Webometrie nahe. Die daraus resultierenden Erkenntnisse verdeutlichen, wie KI die Qualität, Zugänglichkeit und Datenerfassungsprozesse in Webometrieanalysen verbessern kann, wie in Tabelle 2 dargestellt.

Tatsächlich können Algorithmen, die auf künstlicher Intelligenz basieren, automatisch Daten von Websites crawlen und sammeln, darunter institutionelle Websites, wissenschaftliche Forschungsportale und Online-Repositorien [39, 42]. Dies ermöglicht es Forschern, große Mengen webbasierter Informationen für die Analyse zu sammeln, darunter Publikationsdaten, Autorenprofile und Zitationsmuster.

Um die Beziehung zwischen Publikationen, Websites und Autoren zu verstehen, können Ansätze der künstlichen Intelligenz Hyperlinkstrukturen und Weblinkmuster analysieren [9, 43]. Durch die Analyse der Linkstruktur können KI-Algorithmen einflussreiche Websites und Autoren identifizieren sowie Communities, Kooperationen und Forschungsnetzwerke innerhalb des webbasierten wissenschaftlichen Ökosystems erkennen [17].

KI-Techniken wie die Verarbeitung natürlicher Sprache und maschinelles Lernen können eingesetzt werden, um den Inhalt von Webseiten und online verfügbaren wissenschaftlichen Veröffentlichungen zu analysieren [40, 41]. Auf diese Weise können Forscher wichtige Informationen wie Schlüsselwörter, Themen und Stimmungen aus webbasierten Dokumenten extrahieren, was eine umfassende Analyse und ein Verständnis der Forschungsergebnisse ermöglicht.

KI kann Social-Media-Plattformen wie Twitter analysieren, um die Online-Diskussionen, Trends und Interaktionen im Zusammenhang mit wissenschaftlicher Forschung zu verstehen [36, 38, 44]. Durch die Analyse von Hashtags, Erwähnungen und Nutzerverhalten können KI-Algorithmen einflussreiche Forschungsthemen, wichtige Meinungsführer und potenzielle Kooperationen innerhalb der Online-Wissenschaftsgemeinschaft identifizieren, wie in früheren Arbeiten gezeigt wurde.

KI kann die Wirkung und Sichtbarkeit wissenschaftlicher Forschung im Web bewerten [37, 46]. Durch die Analyse von Webverkehr, Seitenaufrufen und Social-Media-Metriken können KI-Algorithmen Einblicke in die Online-Sichtbarkeit, Verbreitung und Nutzung wissenschaftlicher Publikationen, Autoren und Forschungseinrichtungen geben.

„Schließlich“ können KI-gestützte Empfehlungssysteme Forschern dabei helfen, relevante wissenschaftliche Websites, Online-Ressourcen und Forschungskooperationen zu entdecken [35, 45]. Diese auf Benutzerpräferenzen, Leseverhalten und Webnutzungsdaten basierenden Arbeiten zeigen, dass mithilfe von KI-Algorithmen personalisierte Empfehlungen generiert werden können, die es Forschern erleichtern, die webbasierte wissenschaftliche Landschaft zu erkunden und neue Möglichkeiten für weitere Forschung zu entdecken.